Estudos de demanda com o emprego de econometria espacial

Como descrito anteriormente, no mercado brasileiro o consumo de diesel é

predominantemente realizado por caminhões que, em grande medida, percorrem diferentes

Estados. Essa condição sugere que o preço, a renda e outras variáveis de um estado possam

influenciar o consumo de diesel em outra unidade da federação. Essa situação exige que seja

testada a correlação espacial entre as variáveis de análise e utilizados modelos que possam

incorporar essa informação nas estimativas.

Assim, a análise remete aos modelos de econometria espacial, que se consubstancia

como um ramo da econometria que busca especificar, estimar, testar e prever modelos

teóricos que incorporam a relação dinâmica espacial associada ao fenômeno e a sua influência

nos resultados (Almeida, 2012).

Mesmo considerando que não existem estudos que estimaram a demanda por diesel

utilizando essa abordagem metodológica, nessa seção são apresentados alguns estudos que

estimaram modelos para o mercado de combustíveis e energia incorporando a possibilidade

1

Áustria, República Tcheca, Alemanha, Hungria, Polônia e Eslováquia. 2

Áustria, Bélgica, República Tcheca, Dinamarca, Finlândia, França, Alemanha, Hungria, Itália, Holanda, Noruega, Polônia, Espanha, Suécia, Suíça e Reino Unido.

27

de interação espacial entre as unidades de análise. Alguns modelos e trabalhos serão

discutidos a seguir.

Santos e Faria (2012) estimaram três tipos de modelos de econometria espacial, o

modelo de defasagem espacial (modelo SAR), o modelo de erro autoregressivo espacial

(modelo SEM) e o modelo de defasagem espacial com erro autoregressivo espacial (modelo

SAC). Os modelos possuem pressuposições diferentes, no caso do SAR há uma relação de

interdependência entre as variáveis dependentes vizinhas; para o SEM, essa relação de

interdependência se dá em relação aos erros dos vizinhos; e no SAC ela é tratada a partir de

uma combinação entre os dois modelos anteriores.

Em seu trabalho, Santos e Faria (2012) tinham como objetivo estudar a demanda por

combustíveis leves no Brasil levando em consideração a interação espacial entre os 27 estados

brasileiros. No modelo de defasagem espacial (SAR), foi constatada a existência de efeitos

spilovers entre as demandas dos estados.

Utilizando as 27 unidades da federação e o período de 2001 a 2011 com dados

mensais, Cardoso et al. (2014) também estimaram a demanda por combustíveis leves

utilizando econometria espacial, tendo como variáveis preço do etanol, preço da gasolina,

frota e a renda. Assim como no trabalho citado anteriormente, foram testados diversos

modelos pelos autores, incluindo dois modelos com dados empilhados, modelos estimados

com mínimos quadrado ordinários (MQO) e sistemas estimados a partir do emprego da

técnica de mínimos quadrados generalizados (MQG), além de outros seis com dados em

painel utilizando econometria espacial.

O uso de MQG e de modelos utilizando econometria espacial se mostrou

extremamente eficaz para atenuar o problema de forte dependência entre as unidades

cross-section na estimação dos parâmetros de MQO.

O trabalho realizado por Lagarde (2018), por usa vez, procurou estudar como o

consumo energético, com o enfoque em energia eólica, dependem de aspectos espaciais. Um

tema tratado no artigo que merece atenção é o fato de que há diversos trabalhos que deixam

de avaliar impactos espaciais, permitindo a obtenção de estimativas com potencial de viés.

Em Eleftheriou, Nijkamp e Polemis (2018), foi realizada uma discussão a partir de

um modelo denominado de modelo de correção de erro espacial assimétrico sobre a

transmissão de preços da gasolina dentro da cadeia de valor nos Estados Unidos. O estudo

ressaltou a sua importância pela sofisticação da metodologia utilizada, reiterando que na

literatura empírica atual os modelos com controle espacial são de grande relevância.

O fenômeno estudado por Allan e McIntyre (2016) utilizando ferramentas de

econometria espacial remete ao aumento do uso de fontes renováveis de energia,

principalmente de origem fotovoltaica, nos domicílios do Reino Unido. Como descoberta do

estudo, os autores identificaram que não só as variáveis explicativas selecionadas, como

escolaridade, taxa de desemprego, irradiação solar, entre outras, explicaram a quantidade de

instalações de fontes de energia renováveis nas casas como também a interação espacial

contribui de maneira expressiva na compreensão do fenômeno.

Como citado anteriormente, a metodologia de econometria espacial não se aplica

apenas a casos com dados em painel, mas também em problemas de dados cross-section. Esse

é o caso do estudo conduzido por Kim e Zhang (2005), em que são estimados modelos

utilizando mínimos quadrados ordinários que possuem uma matriz de ponderação espacial em

sua estimação. Os autores também concluíram que a presença de componentes espaciais

permitiu um melhor ajuste dos modelos avaliados.

O conceito de modelos de econometria espacial envolve o modo como eles aceitam e

incluem aspectos espaciais nos modelos, e não com a estimação em si. Há diversos modos de

estimar os modelos de econometria espacial, um exemplo, utilizado em grande maioria dos

trabalhos apresentados até então, é a estimação por mínimos quadrados ordinários (MQO).

Outro procedimento , utilizado em trabalhos como Poon, Casas e He (2013) e Pirotte e Madre

(2011), é a estimação por máxima verossimilhança.

Pirotte e Madre (2011) utilizaram diversos modelos de dados em painel com base em

efeitos fixos e aleatórios para investigar como a quantidade de quilômetros rodados por um

carro é determinada. O uso de modelos como os de efeitos fixos e aleatórios se mostrou

bastante frequente dentre da literatura levantada pelos autores.

Para estudar o impacto do uso de fontes de energia no aumento da poluição em

cidades chinesas, Poon, Casas e He (2013) utilizaram o EKC (Environmental Kuznets Curve)

com modelos espaciais. A interação espacial entre as cidades se provou bastante presente

dada a interação econômica-social entre elas.

Outro artigo que utilizou o EKC com modelos de econometria espacial foi aquele

desenvolvido por Balado-Naves, Baños-Pino e Mayor (2018). Eles utilizaram o modelo SLX

(spatial lag of X), que incorpora a matriz de ponderação espacial nas variáveis explicativas, e

29

o SDEM (spatial Durbin error), para analisar a relação entre o aumento de poluição e a

influência dos países vizinhos nesse crescimento.

O uso de econometria espacial para solucionar problemas de estimação de demanda

por combustíveis também se faz presente na literatura internacional. No trabalho conduzido

por Khachatryan, Yan e Casavant (2011), foi estimado uma geographically weighted

regression ou GWR para avaliar a demanda por E85 (85% etanol e 15% gasolina) nos Estados

Unidos.

Ainda dentro da literatura de estudos sobre demanda por combustíveis, Filippini e

Heimsch (2016) estimaram a demanda por gasolina utilizando econometria espacial para

avaliar qual foi o impacto de uma taxa sobre emissão de gases causadores do efeito estufa na

demanda pelo combustível. Como conclusão, os autores identificaram que a elasticidade

preço da demanda por gasolina se mostrou bastante heterogênea entre os estados.

Para estudar se há um padrão espacial no nível de eficiência ecológica energética

entre as regiões da China, Guan e Xu (2016), também utilizaram econometria espacial. Na

discussão dos resultados, os autores citam a importância de compreender o porquê de esses

padrões espaciais serem relevantes. Dentro do cenário da pesquisa, mostrou-se evidente o fato

de haver uma grande integração entre as regiões, evidenciando que barreiras geográficas não

impedem a interação entre as regiões em aspectos socioeconômicos.

Utilizando o SDM (spatial Durbin model), Bowen e Lacombe (2017) estimaram os

efeitos diretos e indiretos (spillovers) de como políticas de portfólio de energias sustentáveis

afetam a geração de energia de um estado e de seus vizinhos.

O uso do SDM é notadamente útil em trabalhos que possuem como objetivo estimar

os efeitos diretos e indiretos.

Dentre os trabalhos de econometria espacial, existem ainda estudos que utilizam esse

tipo de ferramental para estimar modelos de previsão. Por exemplo, Cabral, Legey e Cabral

(2017) estimaram um ARIMAsp (modelo espacial ARIMA) com o objetivo de avaliar o

consumo de energia no Brasil tendo como unidades cross-section as cinco macrorregiões

brasileiras.

Outro detalhe importante quando tratamos de modelos de econometria espacial é que

um mesmo modelo pode ter diferentes especificações. Assim como evidenciado pelo estudo

de Thanos, Kamargianni e Schäfer (2017), que estimaram o modelo SDM com três

especificações diferentes: com lags espaciais e espaço-temporais, com difusão espacial e a

última especificação com difusão espacial e assimetrias.

Dados os trabalhos aqui discutidos, a Tabela 3 traz um resumo dos estudos que

utilizaram modelos de econometria espacial, tendo como informações o período de análise,

quantidade de unidades cross-section (n), a periodicidade dos dados e os modelos espaciais

utilizados.

31

Tabela 3. Resumo dos trabalhos com Econometria Espacial no setor de combustíveis e energia.

Autor(es) Período de Análise n³ Periodicidade Modelos Espaciais⁴

Kim e Zhang (2005) 2003 731 cross-section SAR-MQO, SEM-MQO, SAC-MQO

Khachatryan, Yan e Casavant (2011) 2003-2008 98 Mensal GWR

Pirotte e Madre (2011) 1973 - 1999 21 Anual SAR-FE, SEM-FE, SAR-RE, SEM-RE

Santos e Faria (2012) ^{Julho 2001 –}

Dezembro 2010 ^{27 Trimestral}

MQO, SEM-MQO, FE, SEM-FE, SAR-RE, SEM-SAR-RE, SAC-RE

Poon, Casas e He (2013) 1998 - 2004 30 Anual SAR-MLE, SEM-MLE

Cardoso et al. (2014) Julho 2001 - Julho 2011 27 Mensal ^{SAR-FE, SAR-RE, SDM-FE, SDM-RE, HP-SAR,} HP-SDM

Allan e McIntyre (2016) Abril 2010 - Junho 2012 326 Mensal SDM, SDEM

Filippini e Heimsch (2016) 2001 - 2008 547 Anual SARAR

Guan e Xu (2016) 1997 - 2012 30 Anual SAR- MQO, SEM- MQO

Bowen e Lacombe (2017) 1990 - 2012 48 Anual ^{SAR-MQO, SEM -MQO, SLX-MQO, SDM-MQO,} SDM-FE(t), SDM-FE, SDM-FE(t and n) Cabral, Legey e Cabral (2017) ^{Janeiro 2003 –}

Dezembro 2013 ^{5 Mensal ARIMAsp}

Thanos, Kamargianni e Schäfer (2017) 2005 - 2013 105 Anual SDM

Balado-Naves, Baños-Pino e Mayor (2018) 1990 - 2014 173 Anual SDEM EKC, SLX EKC

Castro (2018) 1980 - 2010 212 Anual SAR-MQO

Eleftheriou, Nijkamp e Polemis (2018) ^{Janeiro 2012 –}

Dezembro 2015 ^{7 Diário ASpECM}

Lagarde (2018) Janeiro 1998 - Junho 2016 21 Anual SAC-FE

3

n representa o número de unidades cross-section utilizadas. 4

As siglas dos modelos espaciais estão descritas na lista de abreviaturas e siglas de maneira extensa. De modo geral siglas co mo SAR, SEM, SAC, SLX, SDM, SDEM dispõe sobre os modelos espaciais e siglas como MQO, RE, FE dispõe sobre o método de estimação utilizado. As demais siglas fazem referências sobre determinadas especificações.

No documento Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz (páginas 27-34)